第9期2023年5月无线互联科技
Wireless Internet Technology
No.9May,2023
基金项目：铜仁市科技局项目；项目名称：基于元数据的视频大数据检索系统的研究与实现；项目编号：铜市科研 2019 97号㊂铜仁市科技局项目；项目名称：基于多旋翼无人机低空遥感的梵净山区茶叶常见病害冠层尺度光谱识别研究；项目编号：铜市科研 2020 79号㊂国家级大学生创新创业训练计划支持项目；项目名称：基于深度学习的病虫害识别系统(平台)；项目编号:202210665044㊂作者简介：旷丞吉(2002 )，男，贵州思南人，本科生；研究方向：图像识别㊂
∗通信作者：谭文斌(1989 )，男，贵州印江人，讲师，硕士；研究方向：图像识别，数据挖掘㊂
基于卷积神经网络的茶叶病虫害检测系统设计
旷丞吉，谭文斌∗，黄海霞
(铜仁学院大数据学院，贵州铜仁554300)
摘要：为解决茶农在识别茶叶病虫害时存在的主观性强㊁误判率高等问题，基于卷积神经网络构建的茶叶病虫害识别模型经过训练㊁调优后获得了最终的检测模型，该检测模型通过Java Web 技术构建成B /S 模式的病虫害在线检测系统㊂用户通过在浏览器中提交待识别的茶叶图像至服务器，服务器将接收到的病虫害图片送入检测模型进行病虫害识别，将识别结果返回至用户端㊂实验结果表明，基于卷积神经网络构建的茶叶病虫害检测系统实现了茶叶图像中18种病虫害的检测，能较好地帮助茶农快速识别茶叶病虫害，对茶叶病虫害防治具有重要意义㊂关键词：卷积神经网络
；目标检测；茶叶病虫害；检测系统中图分类号:TP391.41㊀㊀文献标志码:A
图1㊀系统整体运行机制
0㊀引言
㊀㊀近年来，随着卷积神经网络的兴起，基于卷积神经网络的模型不断涌现，国内外诸多学者都将卷积神经网络应用于图像处理研究，尤其是在图像分类和目标检测研究方面，网络模型AlexNet [1]㊁GoogleNet [2]㊁ResNet [3]㊁ASNet [4]㊁VGG -16[5]等在图像分类和目标检测准确率上都得到了进一步提升㊂文献[6-7]将卷积神经网络应用于农作物病虫害的检测上，使病虫害检测的准确率有了进一步提升㊂经梳理已有病虫害研究文献[6-10]，针对茶叶病虫害识别的研究尚不多，没有可供训练㊁测试的公共数据集，可查到的文献较少㊂对此，本文设计了一种基于Faster R -CNN 的茶叶病虫害识别系统，实现茶叶病虫害的在线识别㊂
1㊀茶叶病虫害检测系统设计1.1㊀系统架构设计
㊀㊀本系统采用B /S 架构模式，用户将需要检测的茶叶图像提交给服务器㊂服务器负责对接收到的图片进行病虫害检测，将检测结果返回至用户端㊂该运行模式具有访问便捷㊁易维护㊁响应速度快等特征，便于服务器端检测模型的迭代和升级㊂系统整体运行机制如图1所示㊂
spider软件
本检测系统运行环境为Ubuntu20.4操作系统，系统挂载服务器为Tomcat9.0，开发环境相关版本信息如表1所示㊂
表1㊀系统开发环境版本信息
硬件/软件名称型号/版本类型操作系统Ubuntu20.4操作系统GPU NVIDIA T4(7.5算力)
硬件CUDA Toolkit
V10.0.130软件cuDNN v7.6.5
软件Python    3.6版软件tensorflow
GPU1.13.1版
软件
1.2㊀实验数据集准备
㊀㊀本实验所用茶叶病虫害数据类型主要包括病㊁茶小卷叶蛾㊁叶枯病㊁白星病㊁刺粉虱等18种主要病虫害类型㊂为了提高模型识别的准确率，本团队对㊀㊀
采集的部分图片进行了空间变换㊁像素变化，以增强实验数据集，增强后的实验数据集样本数达4020张，每张图片至少包含一种病虫害类型，如图2所示㊂
图2㊀病虫害采集样式
1.3㊀检测模型构建
㊀㊀本检测模型基于Faster R -CNN [6]深度学习模型进行搭建，其结构由特征提取网络Conv Layers (CNN )㊁区域生成网络Region Proposal Networks (RPN)㊁Roi Pooling 映射㊁Softmax 分类与回归等组成，该模型引入了区域生成网络RPN
优化了模型，其模型结构如图3所示㊂
图3㊀Faster R -CNN 网络结构
2㊀实验结果与分析2.1㊀基础模型训练
㊀㊀在模型训练前，本团队将数据集划分为训练集(75%)㊁测试集(15%)㊁验证集(10%)，通过基于
Faster R -CNN 为主体的模型对数据集进行病虫害图片的特征提取，获得如图4所示的区域候选框产的rnp_loss_cls(损失值)㊁rnp_loss_box(回归损失值)和loss(损失函数)变化关系㊂
图4㊀迭代过程参数变化关系
㊀㊀为了更好地验证模型性能和优化模型，本实验将模型训练迭代次数分别设置为5000次㊁10000次㊁50000次㊁100000次，获得如表2所示的mAP值变化关系㊂
表2㊀不同迭代次数下的mAP值变化
训练次数/次
虫害类型mAP/%
50001000050000100000 anthrax  4.559.4430.0736.59 adoxophyes_honmai0.009.6233.1642.77
leaf_blight10.4820.3743.3551.01 white_star_disease  6.799.2623.4431.10
caterpillar14.9730.8363.9269.93 aleurocanthus_spiniferus17.5523.8440.1748.07 tea_inchworm  2.0536.7672.2073.12 tea_cake_disease  6.4915.0032.4741.55 mite  2.908.9929.0733.08 tea_bud_disease
3.0312.8635.494
4.76
shift_sickness  4.5510.3720.2625.07 tea_red_leaf_spot10.1111.5335.6642.26 tea_brown_coir_moth0.000.0039.3645.82 red_star_disease  2.8410.4524.0627.78 green_leaf_cicada9.099.7150.6764.55
fart_and_insect0.000.0016.8650.82
mildew10.2214.0036.1945.46
spider0.00  5.0339.0159.41㊀㊀由表2可知，当训练次数较少时，基于VGG16的
模型获得的mAP值较低，随着训练次数增加，模型的mAP值也随之增加，但当模型训练次数达100000次后，模型的mAP值增幅趋于平缓(mAP<60%)㊂2.2㊀模型分析及优化
㊀㊀经本团队多次实验后发现，当训练次数超过100000次后，模型的mAP值并没有大幅提升㊂对此，本团队从以下两个方面对模型进行优化㊂型目前的训练样本只有4020张，涵盖了18种病虫害类型，但存在各病虫害样本分布不均㊁部分样本量较少等问题，从而导致模型泛化能力偏低，影响mAP值㊂
(2)优化主干网络模型，采用ResNet-101残差网络模型[11]替代原Faster R-CNN中的VGG-16模型㊂通过使用ResNet-101残差网络结构模型来避免随着卷积网络加深所出现的梯度消失问题，利用恒等映射解决随着模型卷积层增加精度下降等问题，同时引入恒等快捷连接使模型在进入深度层次训练时可以跳过一个层或多个层，其结构如图5所示㊂
图5㊀ResNet-101残差结构[11]
由图5可知,ResNet-101残差结构通过恒等映射输入X可得到拟合输出值F(X)与期望输出值H(X)，再通过F(X)渐进拟合可输出F(X)+X，则H(X)=F(X)+X实现跨层连接，让输入的X得到更多的特征，以此来提高模型检测时精度㊂
2.3㊀系统实现
㊀㊀本系统经过系统设计㊁系统编码㊁系统测试等过程，实现功能主要有登录注册㊁系统数据可视化㊁识别中心㊁病虫百科㊁通知管理和用户管理，系统主页如图6所示㊂
用户在导航栏处点击识别中心进入本系统核心模块，用户在点击 上传照片 后选取病虫害照片上传，系统会根据当前网络环境㊁传输速度等多方面弹出加载进度条，当后端识别结束后返回结果，系统根据返回结果加载对应的病虫害类型㊁识别概率以及防治方案等信息，如图7所示㊂
3㊀结语
㊀㊀本系统基于卷积神经网络实现了茶叶病虫害的在线检测，有效避免了茶叶病虫害识别中的强主观性和高误判率㊂在接下来的研究中，本团队将进一步优化检测模型，提高检测准确率，同时开发检测模型的移动版，让茶农使用更加方便㊂
图6㊀
系统首页界面
图7㊀识别中心与结果展示界面
参考文献
[1]仁庆道尔吉，程坤，郑碧莹.基于卫星云图和改进AlexNet的沙尘暴预测方法[J].计算机应用,2022(增刊2):310-314.
[2]LEE Y,NAM S.Performance comparisons of AlexNet and GoogLeNet in cell growth inhibition IC50 prediction[J].International Journal of Molecular Sciences,2021(14):7721.
[3]WU Z,SHEN C,VAN D H A.Wider or deeper: Revisiting the resnet model for visual recognition[J]. Pattern Recognition,2019(90):119-133.
[4]何自芬，黄俊璇，刘强，等.基于非对称混洗卷积神经网络的苹果叶部病害分割[J].农业机械学报, 2021(8):221-230.
[5]马博昂，张海瑛.基于改进VGG16的超短波时频谱图分类方法[J].计算机测量与控制,2022(12): 211-217.
[6]KARAR M E,ALSUNAYDI F,ALBUSAYMI S,et al.A new mobile application of agricultural pests recognition using deep learning in cloud computing system[J].Alexandria Engineering Journal,2021(5):4423-4432.
[7]HUANG Y,LI W,DU J.Anatomical-functional image fusion based on deep convolution neural networks in local Laplacian pyramid domain[J].International Journal of Imaging Systems and Technology,2021(3): 1246-1264.
[8]岳有军，李雪松，赵辉，等.基于改进VGG网络的农作物病害图像识别[J].农机化研究,2022(6): 18-24.
[9]魏超，范自柱，张泓，等.基于深度学习的农作物病害检测[J].江苏大学学报(自然科学版),2019 (2):190-196.
[10]LEE S H,LIN S R,CHEN S F.Identification of tea foliar diseases and pest damage under practical field conditions using a convolutional neural network[J]. Plant Pathology,2020(9):1731-1739. [11]HE K M,ZHANG X Y,REN S Q,et al.Deep residual learning for image recognition[C].Las Vegas: IEEE,2016.
(编辑㊀王永超)
Design of tea pests detection system based on convolution neural network
Kuang Chengji Tan Wenbin∗Huang Haixia
College of Data Science Tongren University Tongren554300 China
Abstract In order to solve the problems of strong subjectivity and high misjudgment rate of tea farmers in identifying tea pests and diseases the tea pests and diseases identification model based on convolution neural network was trained and optimized to obtain the final detection model.The detection model was built into a B/S mode online detection system of pests and diseases through Java Web technology.The user submits the tea image to be recognized in the browser to the server and the server sends the received image of pests and diseases to the detection model for pests and diseases identification and returns the identification results to the user.The experimental results show that the detection system of tea pests and diseases based on convolution neural network has realized the detection of18kinds of pests and diseases in tea images and can help tea farmers quickly identify tea pests and diseases which is of great significance for the prevention and control of tea pests and diseases.
Key words convolution neural network object detection tea pests and diseases detection system